information extraction
PulseAugur coverage of information extraction — every cluster mentioning information extraction across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的LA-RL框架增强大型语言模型信息抽取能力
研究人员开发了LA-RL，一个旨在提高大型语言模型信息抽取能力的新型框架。该方法使用任务特定的诊断标签来指导自我纠正，使模型能够识别和修复与缺失跨度、不正确标签或无效关系顺序相关的错误。在命名实体识别、关系抽取和事件抽取任务上的实验表明，与标准的监督微调相比，性能有了显著提升，在SciER和DuEE1.0等数据集上尤为突出。
-
新技术使用负面示例来改进LLM信息抽取
研究人员推出了一种新颖的少样本信息抽取技术LC-ICL，该技术使用大型语言模型。该方法通过将正确的（正面）和不正确的（负面）示例纳入上下文学习演示中来提高性能。负面示例带有错误原因标签，提供了关于某些预测为何失败的详细见解，并帮助模型避免重复错误。实验表明，LC-ICL在各种数据集上优于现有的少样本上下文学习方法。
-
新的贝叶斯框架增强了LLM的信息提取能力
研究人员开发了BCL，一个新颖的贝叶斯上下文学习框架，旨在利用大型语言模型增强信息提取任务。该框架解决了当前ICL方法中存在的不一致性和系统优化不足的问题。BCL采用粒子滤波和贝叶斯更新来优化标签表示，在广泛的实验中，在各种信息提取范式中均显示出显著且一致的改进。
-
新的贝叶斯框架增强了LLM的信息提取能力
研究人员推出了一种新颖的贝叶斯上下文学习框架BCL，旨在增强大型语言模型的信息提取任务。该框架采用粒子滤波和贝叶斯更新来系统地改进标签表示，解决了当前方法中的不一致性并提高了泛化能力。BCL的四步过程——初始化、观测、权重更新和重采样——使其能够适应序列标注和关系分类，并在大量实验中展示了显著的改进。
-
新SMADE-IE框架提升零样本信息抽取能力
研究人员开发了SMADE-IE，一个使用大型语言模型进行零样本信息抽取的新框架。该框架解决了现有方法中存在的跨类型冲突和令牌开销等问题。SMADE-IE采用自适应模式选择器进行高效输入路由，并利用证据驱动辩论机制通过结构化论证和贝叶斯更新来解决冲突预测。实验表明，SMADE-IE在多个数据集上优于当前基线方法，同时提高了令牌效率。